申請涉及人工智能技術，尤其涉及一種欺詐交易識別方法、裝置、設備、存儲介質本及程序產品。

背景技術：

1、隨著數字化支付和金融活動的迅速發(fā)展，信用卡交易成為了現代金融系統(tǒng)的重要組成部分。然而信用卡的欺詐交易問題也日益嚴重。示例性地，不法分子通過盜取客戶的信用卡信息進行交易，其并非是客戶本人所進行的正常交易，給金融機構和客戶都帶來了巨大的經濟損失。所以對信用卡的欺詐交易進行有效識別非常重要。

2、傳統(tǒng)的信用卡欺詐交易識別方法通常依賴于預先定義的規(guī)則和模式匹配技術。但是這種方式并不能全面識別出欺詐交易，也使得欺詐交易識別的準確率較低。

技術實現思路

1、本技術提供一種欺詐交易識別方法、裝置、設備、存儲介質及程序產品，用以解決現有技術中不能全面識別出欺詐交易，也使得欺詐交易識別的準確率較低的問題。

2、第一方面，本技術提供一種欺詐交易識別方法，包括：

3、獲取當前交易對應的當前交易數據；

4、確定所述當前交易數據對應的當前交易特征；

5、確定與所述當前交易數據匹配的目標交易特征，所述目標交易特征包括：目標交易后驗特征、目標交易地址特征、目標最近交易實時特征以及目標交易序列；所述目標交易特征為根據目標歷史交易特征及對應的當前交易特征確定出的特征；

6、將所述目標交易特征輸入到訓練至收斂的欺詐識別模型中，并采用所述訓練至收斂的欺詐識別模型識別當前交易是否為欺詐交易。

7、在一種可能的設計中，所述當前交易特征包括：當前交易金額、當前交易客戶信息及當前交易商戶信息；

8、所述目標交易后驗特征包括：目標交易客戶后驗特征，所述目標交易客戶后驗特征包括：組合后的客戶平均消費金額、各商戶類型下組合后的平均消費金額及至少一個預設的客戶關聯作弊率特征；

9、所述確定與所述當前交易數據匹配的目標交易特征，包括：

10、獲取與所述當前交易客戶信息一致的客戶對應的歷史交易中的歷史交易金額、歷史交易商戶信息、客戶對應的歷史交易中欺詐交易次數；

11、根據所述歷史交易金額及所述歷史交易商戶信息，并按照不同時間窗口確定客戶平均消費金額及各商戶類型下的平均消費金額；

12、根據所述當前交易金額、客戶平均消費金額及各商戶類型下的平均消費金額確定組合后的客戶平均消費金額及各商戶類型下組合后的平均消費金額；

13、根據所述當前交易客戶信息及所述客戶對應的歷史交易欺詐交易次數，并按照不同時間窗口確定至少一個預設的客戶關聯作弊率特征。

14、在一種可能的設計中，所述當前交易特征包括：當前交易金額及當前交易商戶信息；

15、所述目標交易后驗特征包括：目標交易商戶后驗特征，所述目標交易商戶后驗特征包括：組合后的客戶平均消費金額、各商戶類型下組合后的平均消費金額及至少一個預設的商戶關聯作弊率特征；

16、所述確定與所述當前交易數據匹配的目標交易特征，包括：

17、獲取與所述當前交易客戶信息一致的客戶對應的歷史交易中的歷史交易金額、歷史交易商戶信息、商戶對應的歷史交易中欺詐交易次數；

18、根據所述歷史交易金額及所述歷史交易商戶信息，并按照不同時間窗口確定各商戶平均消費金額及各商戶類型下的平均消費金額；

19、根據所述當前交易金額、各商戶平均消費金額及各商戶類型下的平均消費金額確定組合后的商戶平均消費金額及各商戶類型下組合后的平均消費金額；

20、根據所述當前交易商戶信息及商戶對應的歷史交易中欺詐交易次數，并按照不同時間窗口確定至少一個預設的商戶關聯作弊率特征。

21、在一種可能的設計中，所述當前交易特征包括：當前交易客戶信息、當前交易地址信息及當前交易時間信息；

22、所述目標交易地址特征包括：當前及歷史交易累加的活動區(qū)域數量及當前及歷史交易中按照交易時間累加的距離；

23、所述確定與所述當前交易數據匹配的目標交易特征，包括：

24、獲取與所述當前交易客戶信息一致的客戶對應的歷史交易地址及歷史交易時間信息；

25、根據所述當前交易地址信息及所述歷史交易地址信息，并按照不同時間窗口確定當前及歷史交易累加的活動區(qū)域數量，以獲得多個所述當前及歷史交易累加的活動區(qū)域數量；

26、根據當前交易時間信息和地址信息、所述歷史交易時間信息和地址信息，并按照不同時間窗口確定當前及歷史交易中按照交易時間累加的距離，以獲得多個所述當前及歷史交易中按照交易時間累加的距離。

27、在一種可能的設計中，所述當前交易特征包括：當前交易的收單機構信息、當前交易位置信息及當前交易時間信息；

28、所述目標最近交易實時特征包括：當前及歷史交易累加的收單機構數量、目標距離、目標時長及目標移動速度；

29、所述確定與所述當前交易數據匹配的目標交易特征，包括：

30、獲取當前交易及多個最近時間段內歷史交易的收單機構信息、最近一次歷史交易位置信息及最近一次歷史交易時間信息；

31、根據所述收單機構信息確定多個當前及歷史交易累加的收單機構數量；

32、根據所述當前交易位置信息及最近一次歷史交易位置信息確定目標距離；

33、根據所述當前交易時間信息及最近一次歷史交易時間信息確定目標時長；

34、根據所述目標距離及所述目標時長計算目標移動速度。

35、在一種可能的設計中，所述訓練至收斂的欺詐識別模型包括：訓練至收斂的轉換器transformer網絡結構；

36、所述當前交易特征包括：當前交易的商戶標識、當前交易商戶類型、當前交易類型、當前交易的時間信息；

37、所述確定與所述當前交易數據匹配的目標交易特征，包括：

38、獲取多個歷史交易數據，抽取各歷史交易數據中的歷史交易的商戶標識、歷史交易商戶類型、歷史交易類型；

39、根據所述當前交易的交易時間信息及歷史交易的時間信息確定各歷史交易與當前交易的時間差；

40、將每個交易對應的商戶標識、商戶類型、交易類型及時間差進行合并，以獲得各目標交易數據，并根據各目標交易數據生成目標交易序列。

41、在一種可能的設計中，所述將所述目標交易特征輸入到訓練至收斂的欺詐識別模型中之前，方法還包括：

42、對目標交易后驗特征、目標交易地址特征、目標最近交易實時特征分別進行等寬離散化操作，以獲得各目標離散化交易特征。

43、在一種可能的設計中，所述訓練至收斂的欺詐識別模型為訓練至收斂的wide&deep模型；所述wide&deep模型包括線性網絡結構、transformer網絡結構及dnn網絡結構；

44、所述將所述目標交易特征輸入到訓練至收斂的欺詐識別模型，并采用所述訓練至收斂的欺詐識別模型識別當前交易是否為欺詐交易包括：

45、將所述目標交易序列輸入到訓練至收斂的轉換器transformer網絡結構中，并采用訓練至收斂的transformer網絡結構輸出目標交易序列規(guī)律特征；

46、將所述目標交易后驗特征、目標交易地址特征、目標最近交易實時特征及對應的目標離散化交易特征輸入到訓練至收斂的dnn網絡結構中，并采用所述dnn網絡結構提取目標高階特征；

47、將所述目標交易后驗特征、目標交易地址特征、目標最近交易實時特征輸入到訓練至收斂的線性網絡結構中，并采用所述訓練至收斂的線性網絡結構提取目標低階特征；

48、根據所述目標交易序列規(guī)律特征、所述目標高階特征及所述目標低階特征確定當前交易是否為欺詐交易。

49、在一種可能的設計中，預設欺詐模型的訓練步驟包括：

50、獲取訓練樣本，所述訓練樣本包括與交易樣本數據匹配的樣本交易特征及標注的識別類型，所述交易樣本數據包括樣本原有交易特征；所述樣本交易特征包括：樣本交易后驗特征、樣本交易地址特征、樣本最近交易實時特征以及樣本交易序列；所述樣本交易特征為根據樣本歷史交易特征及對應的樣本原有交易特征確定出的特征；

51、采用所述訓練樣本對預設欺詐模型進行訓練；

52、響應于滿足訓練收斂條件，則將滿足訓練收斂條件的欺詐模型確定為訓練至收斂的欺詐識別模型。

53、第二方面，本技術提供一種欺詐交易識別裝置，包括：

54、獲取模塊，用于獲取當前交易對應的當前交易數據，并確定所述當前交易數據對應的當前交易特征；

55、確定模塊，用于確定與所述當前交易數據匹配的目標交易特征，所述目標交易特征包括：目標交易后驗特征、目標交易地址特征、目標最近交易實時特征以及目標交易序列；所述目標交易特征為根據目標歷史交易特征及對應的當前交易特征確定出的特征；

56、識別模塊，用于將所述目標交易特征輸入到訓練至收斂的欺詐識別模型中，并采用所述訓練至收斂的欺詐識別模型識別當前交易是否為欺詐交易。

57、第三方面，本技術實施例提供一種電子設備，包括：處理器，以及與所述處理器通信連接的存儲器；

58、所述存儲器存儲計算機執(zhí)行指令；

59、所述處理器執(zhí)行所述存儲器存儲的計算機執(zhí)行指令，以實現如第一方面任一項所述的方法；

60、第四方面，本技術提供一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有計算機執(zhí)行指令，所述計算機執(zhí)行指令被處理器執(zhí)行時用于實現如第一方面所述的方法。

61、第五方面，本技術提供一種計算機程序產品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現如第一方面所述的方法。

62、本技術提供的欺詐交易識別方法、裝置、設備、存儲介質及程序產品，通過獲取當前交易對應的當前交易數據；確定所述當前交易數據對應的當前交易特征；根據當前交易特征確定與所述當前交易數據匹配的目標交易特征；其中，所述目標交易特征包括：目標交易后驗特征、目標交易地址特征、目標最近交易實時特征以及目標交易序列；所述目標交易特征為根據目標歷史交易特征及對應的當前交易特征確定出的特征，將所述目標交易特征輸入到訓練至收斂的欺詐識別模型中，并采用所述訓練至收斂的欺詐識別模型識別當前交易是否為欺詐交易手段；由于基于當前交易特征及歷史交易特征確定出多種維度的目標交易特征，能夠使多種維度的目標交易特征更充分的體現出當前交易行為是否符合該客戶的正常交易行為，所以在采用訓練至收斂的欺詐識別模型基于多種維度的目標交易特征確定當前交易是否為欺詐交易時，能夠更加準確且全面地確定出當前交易是否為欺詐交易，有效地改善預先定義的規(guī)則和模式匹配依賴性導致的異常交易識別準確率低的問題，減少交易欺詐的誤報或者漏報情況。